1.一种在线估计控制率的APFC控制系统，包括Boost APFC主电路、滑模控制电路，Boost APFC主电路将交流电源整流滤波后转换为高压直流电，滑模控制电路对从Boost APFC主电路采集到的电感电流和输出电压进行控制，实现功率因数校正，并获得平滑稳定的输出电压，其特征在于：所述滑模控制电路包括电压外环PI控制模块、滑模控制器、PWM比较器以及驱动电路模块；其中所述滑模控制器包括滑模面模块、RBF神经网络算法模块、遗传算法模块、滑模控制模块；

所述电压外环PI控制模块用于产生参考电流并传输给滑模面模块；

所述滑模面模块用于构成滑模控制器的滑模面；

所述RBF神经网络算法模块用于对滑模控制中不确定向量的上限进行实时估计，并采用遗传算法模块对RBF神经网络权值进行优化，得到不确定上界估计值并传输给滑模控制模块；

所述滑模控制模块用于接收滑模面模块得到的滑动面和RBF神经网络算法模块得到的不确定上界估计值，输出滑模控制率；

所述PWM比较器用于比较滑模控制率与预先设定的三角载波信号，产生PWM信号，并传输给驱动电路模块；

所述驱动电路模块用于驱动Boost APFC主电路功率开关管的开通与关断。

2.根据权利要求1所述的一种在线估计控制率的APFC控制系统，其特征在于：所述电压外环PI控制模块包括PI控制器、乘法器， PI控制器用于对直流输出电压与参考电压的误差进行比例积分控制以使直流输出电压跟踪参考电压，乘法器用于接收PI控制器的输出量，并将输出量与电网电压单位正弦半波相乘产生参考电流。

3.根据权利要求1或2所述的一种在线估计控制率的APFC控制系统，其特征在于：所述滑模面模块用于计算参考电流与Boost APFC主电路模块的电感电流的误差，构成滑模控制器的滑模面。

4.根据权利要求1所述的一种在线估计控制率的APFC控制系统，其特征在于所述遗传算法模块对RBF神经网络权值进行优化包括如下步骤：步骤1：编码：采取二进制、或为十进制编码方式对每个初始网络权值进行编码；

步骤2：初始化种群：随机产生一组权值编码串；

步骤3：计算适应度函数：根据RBF神经网络训练得到的误差，确定每个个体的适应度函数值，误差越大适应度值越小；

步骤4：选择：选择若干适应度函数值大的个体直接遗传给下一代，其余按每个个体的相对适应度Ffit/∑Ffit，即该个体适应度占所有个体适应度之和的比例，计算得到的概率遗传给下一代；

步骤5：交叉、变异：对当前种群进行交叉、变异操作，产生新的编码串，即下一代种群；

步骤6：判断是否满足要求“达到最大迭代次数”：若不满足则返回步骤4，若满足则进行步骤7，在设定迭代次数内重复步骤4、5，直到获得满意解；

步骤7：解码：将权值编码串解码得到权值参数，构成新神经网络。

5.根据权利要求1或4所述的一种在线估计控制率的APFC控制系统，其特征是，所述RBF神经网络算法模块输出不确定上界估计值包括如下步骤：步骤1）：初始化神经网络权值、中心值和基宽值；

步骤2）：根据中心值和基宽值的初始值获取最优中心值和基宽值，最优即初始；通过所述遗传算法获取最优权值；

步骤3）：计算输出误差；

步骤4）：根据学习算法对神经网络权值、中心值和基宽值依据进行更新；

步骤5）：判断是否满足要求，满足优化条件或达到最大迭代次数，若是，则训练结束，得到不确定上界估计值，若否，则回到步骤3重新计算误差。